基于双指数移动平均的SEHWS能量预测方法及SEH无线传感器

本发明涉及太阳能收集无线传感器能量预测，尤其涉及一种基于双指数移动平均的sehws能量预测方法及seh无线传感器。

背景技术：

1、随着物联网技术的迅速发展，越来越多的设备和系统需要互联互通，产生了对无线传感器的巨大需求，无线传感器网络广泛应用于环境监测、人体健康检测和公共安全等领域，其由多个无线传感器节点组成，这些节点在监测区域内分布，通过感知环境中的物理或化学量，将数据进行初步处理后，通过无线通信协议进行数据传输，采用单跳或多跳方式将数据传输到汇聚节点。汇聚节点再将数据传输到中央服务器或云平台进行集中处理和存储。整个过程中，无线传感器通常依赖电池供电，但传统的电池容量有限，导致其节点寿命受限。当电池电量耗尽时，无线传感器节点就会死亡，需要更换电池。然而，由于许多无线传感器节点部署在环境恶劣或人迹罕至的地区，更换电池的成本极高，甚至在某些情况下无法实现，这成为无线传感器网络发展的主要限制因素。

2、为了解决这一问题，研究人员提出将太阳能收集(solar energy harvesting,seh)技术引入无线传感器中。通过从外界环境收集太阳能，将其转换为电能为无线传感器节点供电，使无线传感器网络能够自供电并显著延长其寿命。通过这种方式，传感器节点可以在无需更换电池的情况下持续运行，避免节点死亡。采用太阳能收集技术供电的无线传感器节点被称为太阳能收集无线传感器(solar energy harvesting wireless sensor，sehws)。在太阳能收集过程中，能量预测是确保太阳能收集无线传感器节点合理安排能量分配的必要前提。

3、现有的能量预测技术主要集中于基于机器学习、深度学习等模型的预测算法以及基于数据流的预测方法。由于ehws是严格资源受限的系统，其计算能力、存储空间等限制对预测方法提出更苛刻的要求。基于机器学习、深度学习等模型的预测算法通过对大量数据进行处理和训练，虽然在预测效果上具有优势可以实现更高的准确性，但对计算资源的需求较大，且可解释性较差，同时会导致更多的能量消耗。许多研究人员提出了基于数据流的预测方法预测算法，例如ewma、wcma和pro-energy等。

4、ewma在天气条件相对稳定的环境中表现出色，但该方法容易受到天气变化的影响，wcma在ewma基础上引入gap因子降低天气变化带来的预测误差，pro-energy考虑了一组描述不同天气条件(云、晴天或雨天)的各种能量收集模式将最新测量值与最接近当前能量分布的天气剖面相结合，生成能量的预测值，进一步提高了预测准确率。但这些方法在面对太阳能剧烈或趋势性变化的环境时，捕捉能量趋势变化时的表现不足，容易在出现持续增长或下降的趋势时，出现滞后效应、对趋势的敏感性不足，导致预测精度较低。

技术实现思路

1、有鉴于此，本发明提供一种基于双指数移动平均的sehws能量预测方法及seh无线传感器，采用双指数移动平均预测方法来预测太阳能收集无线传感器收集到的能量，更迅速地响应环境能量的波动，提高预测精度，保障无线传感器节点能够稳定运行。

2、本发明实施例解决其技术问题所采用的技术方案是：

3、一种基于双指数移动平均的sehws能量预测方法，包括：

4、步骤s1，收集并处理历史能量收集数据，以当前日d为基准构建历史d日能量矩阵e，e的大小为d×n，d表示历史天数，n表示一日等分时隙总数，矩阵e中e(i,n)表示第i日第n个时隙收集到的能量值，令e(d,n)表示当前日d的第n个时隙收集到的能量值；

5、步骤s2，建立dema能量预测模型：

6、

7、式中，是当前日d的第n个时隙收集到的能量预测值；ω是用于控制对近期能量数据的权重因子，ω∈(0,1)；为上一个时隙预测收集到的能量信息；μ(d,n)则代表当前日d的过去d天第n个时隙所收集到真实能量信息e(d-i,n)平均值，i∈[1,d]；b(d,n)为当前日d的第n个时隙的能量变化趋势的修正值；

8、步骤s3，计算dema能量预测模型中的参数μd(d,n)、b(d,n)、ω和γ，其中：

9、μd(d,n)的计算式为：

10、

11、式中，n为当前时隙，i为索引变量，i∈[1,d]，e为保存真实收集到的能量的矩阵；

12、修正因子b(d,n)表示为最近一次的能量变化趋势b(d,n-1)和平均能量变化趋势μ(d,n)-μ(d,n-1)的加权值，表达式为：

13、b(d,n)＝γ*b(d,n-1)+(1-γ)*(μ(d,n)-μ(d,n-1))

14、式中，γ为用于调节b(d,n-1)与μ(d,n)-μ(d,n-1)之间比重的权重因子，γ∈(0,1)，b(d,n)迭代计算的初始值定义为b(0,0)；

15、更新权重因子ω和γ：

16、基于权重因子ω、γ的取值范围两者的取值进行遍历，将两个权重因子的组合带入所述dema能量预测模型进行预测，并计算出真实值与预测值的平均绝对百分比误差mape，确定出mape值最低的权重因子组合；

17、步骤s4，基于历史能量收集数据，根据步骤s3计算出所述dema能量预测模型所需的四个参数b(d,n)、μd(d,n)、ω和γ并代入所述dema能量预测模型中，通过上一时隙所预测的收集到的能量与当前时隙n在过去几天的真实收集能量信息的平均值进行加权计算，来得出n时隙收集能量的预测值

18、较优地，b(0,0)取值为0。

19、较优地，平均绝对百分比误差mape的表达式为：

20、

21、一种seh无线传感器，包括微控制器，以及与所述微控制器相连的数据采集模块、太阳能收集模块、存储器、无线通信模块以及电源管理模块；其中，存储器存储有可被微控制器执行的指令，指令被微控制器执行，以使微控制器能够执行步骤s1-s4所示的方法；

22、数据采集模块：用于通过传感器实时获取环境参数，所述环境参数包括温度、湿度、光照、气压；

23、太阳能收集模块：由太阳能电池板组成，用于将收集到的太阳光转换为电能；

24、电源管理模块：用于负责管理太阳能收集模块产生的电能，具体包括：

25、充电管理单元：将太阳能转换的电能储存到电池中；

26、电压调节单元：用于为seh无线传感器中各个模块供电，确保输出电压稳定；

27、能量监控单元：用于实时监测电池的电量和健康状态；

28、无线通信模块：用于将seh无线传感器收集到的数据通过无线信号传输的方式上送至上级设备；

29、所述存储器，用于存储历史能量收集数据以及传感器运行所需的操作程序；

30、所述微控制器，用于处理历史能量收集数据，以当前日d为基准构建历史d日能量矩阵e，e的大小为d×n，n表示一日等分时隙总数，矩阵e中e(i,n)表示第i日第n个时隙收集到的能量值，令e(d,n)表示当前日d的第n个时隙收集到的能量值；

31、所述微控制器，用于建立dema能量预测模型：

32、

33、式中，是当前日d的第n个时隙收集到的预测能量值；ω是用于控制对近期能量数据的权重因子，ω∈(0,1)；为上一个时隙预测收集到的能量信息；μ(d,n)则代表当前日d的过去d天第n个时隙所收集到真实能量信息e(d-i,n)平均值，i∈[1,d]；b(d,n)为当前日d的第n个时隙的能量变化趋势的修正值；

34、所述微控制器，用于计算dema能量预测模型中的参数μd(d,n)、b(d,n)、ω和γ，其中：

35、μd(d,n)的计算式为：

36、

37、式中，n为当前时隙，i为索引变量，i∈[1,d]；

38、修正因子b(d,n)表示为最近一次的能量变化趋势b(d,n-1)和平均能量变化趋势μ(d,n)-μ(d,n-1)的加权值，表达式为：

39、b(d,n)＝γ*b(d,n-1)+(1-γ)*(μ(d,n)-μ(d,n-1))

40、式中，γ为用于调节b(d,n-1)与μ(d,n)-μ(d,n-1)之间比重的权重因子，γ∈(0,1)，b(d,n)迭代计算的初始值定义为b(0,0)；

41、更新权重因子ω和γ：

42、基于权重因子ω、γ的取值范围两者的取值进行遍历，将两个权重因子的组合带入所述dema能量预测模型进行预测，并计算出真实值与预测值的平均绝对百分比误差mape，确定出mape值最低的权重因子组合；

43、所述微控制器，用于基于历史能量收集数据，计算出所述dema能量预测模型所需的四个参数b(d,n)、μd(d,n)、ω和γ并代入所述dema能量预测模型中，通过上一时隙所预测的收集到的能量与当前时隙n在过去几天的真实收集能量信息的平均值进行加权计算，来得出n时隙收集能量的预测值

44、较优地，b(0,0)取值为0。

45、较优地，平均绝对百分比误差mape的表达式为：

46、

47、由上述技术方案可知，本发明实施例提供的基于双指数移动平均的sehws能量预测方法及seh无线传感器，首先收集并处理历史能量收集数据，以当前日d为基准构建历史d日能量矩阵e，e的大小为d×n，n表示一日等分时隙总数，矩阵e中e(i,n)表示第i日第n个时隙收集到的能量值，令e(d,n)表示当前日d的第n个时隙收集到的能量值；建立dema能量预测模型；计算dema能量预测模型中的参数μd(d,n)、b(d,n)、ω和γ；基于历史能量收集数据，根据所述dema能量预测模型所需的四个参数b(d,n)、μd(d,n)、ω和γ并代入所述dema能量预测模型中，通过上一时隙所预测的收集到的能量与当前时隙n在过去几天的真实收集能量信息的平均值进行加权计算，来得出n时隙收集能量的预测值本发明采用双指数移动平均预测方式来预测太阳能收集无线传感器收集到的能量，能够更迅速地响应环境能量的波动，提高预测精度，保障无线传感器节点能够稳定运行。